[发明专利]一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法

权利要求书

1.一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，其特征在于，包括以下步骤：

S1：采集患者的磁共振三维图像，并对所述磁共振三维图像进行初步的数据预处理；

S2：对数据预处理后的磁共振三维图像进行灰度偏差场的纠正处理，使同一图像中相同组织内的灰度值更加均匀；

S3：利用改进的直方图匹配算法对磁共振三维图像进行处理，通过训练一个灰度映射函数，使图像的直方图与预先挑选的模板图像的直方图进行匹配，使不同图像中相同组织内的灰度值更加相近；

S4：截取磁共振三维图像的ROI区域，并分割为2*2个有重叠的patch作为模型的输入；

S5：构建并训练深度语义分割网络对原发肿瘤进行识别；

S6：将多个patch输入至已训练的深度语义分割网络进行原发肿瘤的识别；

S7：将输出的多个patch的识别结果合并，得到最终的原发肿瘤识别结果；

S8：利用平均场迭代算法对原发肿瘤识别结果进行后处理；

其中，所述步骤S3具体包括以下步骤：

S31：在大量患者中挑选其中一个患者的图像作为模板进行后续的直方图匹配，挑选的原则为图像的灰度值分布比较平均；

S32：计算图像的直方图和模板图像的直方图，到两个图像的灰度值分布情况；

S33：通过动态规划求解最优的灰度值映射函数来匹配两个图像的灰度值分布，使图像的灰度值能映射至模板图像的灰度值；

其中，所述步骤S8具体包括以下步骤：

S81：初始化阶段，把每个像素点属于原发肿瘤的概率初始化为深度语义分割网络的输出结果：

zi∈L，L＝{0:不属于GTV，1:属于GTV}

其中i为像素点坐标位置，xi为该像素点的标签，Qi(xi)为该像素的标签为xi的概率，zi为归一化因子，为深度语义分割网络的输出结果；

S82：信息传递阶段，对每个像素根据其周围的像素点计算m个高斯特征：

其中为针对标签l计算的第i个像素的第m个高斯特征，Qj(l)为该像素周围第j个像素标签为l的概率，fi为第i个像素的特征向量；km(fi，fj)为第m个高斯核，用于衡量不同像素点特征向量间的相似性，Λm为高斯核的参数；

S83：信息整合阶段，将信息传递阶段计算的特征进行整合：

其中u(xi，xj)＝[xi≠xj]，表示标签间的兼容性，wm为第m个高斯特征的权重；

S84：更新阶段，通过下式更新每个像素属于原发肿瘤的概率值，并进行归一化，使概率的范围在[0,1]；

S85：若Qi(xi)已收敛，则计算结束，否则继续进行迭代。

2.根据权利要求1所述的一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，其特征在于：在步骤S1中，所述磁共振三维图像包括四个不同的数据序列T1、T1C、T1FSC、以及T2，每个序列的数据均为一个三维图像，并对这四个三维图像利用下采样、规范化进行预处理。

3.根据权利要求1所述的一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，其特征在于，所述步骤S2具体为：

把灰度偏差场纠正建模为以下问题：

v(x)＝u(x)+f(x)

其中v为给定的图像，u为纠正后的图像，f为偏差场，x为图像的像素坐标；该问题通过以下迭代过程进行求解：

其中为第n次迭代后输出的纠正图像；为第n次迭代过程中的偏差场估计；

S{.}是平滑算子，用B样条曲线拟合；为根据上一次迭代过程输出的纠正图像给出当前纠正图像的期望值；通过n次迭代后，若已收敛，则计算结束，取为纠正后的图像，否则继续进行迭代。

4.根据权利要求1所述的一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，其特征在于，所述步骤S4具体包括以下步骤：

S41：以20为阈值把磁共振三维图像转化为二值图；

S42：计算二值化后的磁共振三维图像在z轴上每个二维图像的所有像素的总和，并绘制曲线；

S43：将ROI区域在xy平面分割为2*2个有重叠的patch作为深度网络的输入。

5.根据权利要求1所述的一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法，其特征在于，所述步骤S5具体包括以下步骤：

S51：构件网络结构，所述网络结构包括编码器、解码器以及跳跃连接；

编码器：对输入图像通过卷积网络和下采样进行高层次抽象特征的提取，把图像编码为尺寸只有原图1/16的特征图；

解码器：把编码器输出的特征图通过卷积网络和上采样解码，输出与原尺寸相同的三维图像，其像素值表示该像素属于原发肿瘤区域的概率；

跳跃连接：将编码器中较浅层的高分辨率特征与解码器中较高层的低分辨率特征直接相连，解决高层特征中高分辨率信息丢失的问题；

S52：将大量患者的磁共振三维图像经所述步骤S5处理后的图像训练深度语义分割网络，深度语义分割网络的输入为磁共振三维图像，输出的磁共振三维图像尺寸与输入相同，像素值范围在[0,1]，表示该像素属于原发肿瘤区域的概率。